1.一种基于无监督学习的视觉惯性里程计方法，其特征在于，包括以下步骤：S1：采集输入数据，输入数据包图像数据和IMU数据，将图像数据和IMU数据进行预处理，使图像数据和IMU数据同步；

S2：将同步后的图像数据和IMU数据进行特征提取，得到图像数据的图像特征和IMU数据的惯导特征；

S3：将图像特征和惯导特征输入位姿计算网络中，输出六自由度的位姿计算结果；

S4：利用位姿计算结果输入无监督模块中，构建深度网络框架，根据深度图和源图像之间的差异进行无监督训练，输出训练结果，得到训练好的深度网络；

S5：采集新的图像数据输入训练好的深度网络，输出定位结果。

2.根据权利要求1所述的基于无监督学习的视觉惯性里程计方法，其特征在于，所述步骤S1中图像数据和IMU数据预处理的方法为：相机采集相邻两祯的图像作为图像数据，并且把采集相邻两祯图像之间的时间采集的IMU数据与相邻两祯图像一起打包作为输入数据，确保图像数据和IMU数据同步，同步后的IMU数据为：其中，α为XYZ三个轴上的加速度，ω为XYZ三个轴上的角速度。

3.根据权利要求1所述的基于无监督学习的视觉惯性里程计方法，其特征在于，所述步骤S2包括：S21：将同步后的相邻两祯图像信息输入卷积神经网络CNN，提取图像特征：采用迁移学习的方法来辅助搭建图像特征提取的卷积神经网络，卷积神经网络采用FlownetSimple光流网络的编码器结构，并在编码器结构的5×5卷积层处添加分支，分支通过空间通道注意力结构提取网络的不同层次特征，并将提取到的不同层次特征在3×3卷积核处于编码器提取的特征级联，保留不同层次的特征，输出作为提取的图像特征；

S22：将同步后的10帧IMU数据输入长短期记忆网络LSTM中，长短期记忆网络LSTM隐藏层数量为2，含512个隐藏状态完成惯导特征的提取。

4.根据权利要求1所述的基于无监督学习的视觉惯性里程计方法，其特征在于，所述步骤S3包括：S31：将提取的图像特征和惯导特征进行拼接，再通过解码器decode分析数据产生一组权重；利用拼接后的融合特征与权重相乘，完成对特征的融合筛选，融合筛选后的特征作为位姿计算网络的输入：W＝σ(f(wF+b))

其中，F为融合特征，Fv和Fi分别为图像特征和惯导特征， 为沿通道方向的拼接过程，W为生成的调整特征的权重，σ为sigmod激活函数，f为解码器decode对应的函数，w和b均为训练时学习的参数，用于对融合特征做初步处理，F'为最终输出的筛选后的融合特征， 为元素逐乘过程；

S32：采用长短期记忆网络LSTM后接全连接层结构作为位姿计算网络，将融合筛选后的特征输入位姿计算网络中，输出六自由度的位姿计算结果。

5.根据权利要求1所述的基于无监督学习的视觉惯性里程计方法，其特征在于，所述步骤S4包括：S41：构建一个深度网络，深度网络的网络框架为编码器‑解码器结构，当摄影机在场景中移动时，相邻图像中的对象可以形成几何约束，相邻图像分别表示源图像Is和目标图像的两个相邻帧，利用深度图和运动变换矩阵构建几何一致性：‑1 ‑1

Ds(ps)K ps＝Tt→sDt(pt)K pt

其中，Ds、Dt分别为相邻帧图像的深度图，ps，pt分别为相邻帧的深度图上的像素点，K为相机的内参矩阵，Tt→s为位姿计算结果中的位姿变换矩阵；

S42：利用 计算源图像Is在目标图像 的投影It，通过对比目标图像 和投影It的外观相似性构建光度一致性约束，形成无监督模块，无监督模块的损失函数为：其中，Lp为结构相似性损失，s为目标图像的编号，t为源图像的编号；

S43：引入平滑度损失函数来弥补无纹理区域的光度一致性误差：其中，Ls为平滑度损失， 为二维微分算子，D(P)、I(P)分别为深度图、源图像上的像素，|·|为取元素的绝对值；

S44：根据无监督模块的损失函数和平滑度损失函数建立总损失函数：L＝Lp+αLs；

其中，α为为加权因子；

S45：根据无监督模块的总损失函数进行无监督训练，输出输出训练结果，得到训练好的深度网络。